量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。
作者：Admin

充分了解限价订单薄（LOB）的运行动态是获得交易优势的一种可行的方式。LOB是未完成订单的记录，是大多数现代交易所的核心。在这样一个熙熙攘攘的市场，买家和卖家不断调整他们的出价和报价，以应对市场的涨落。
但是LOB远比我们看到的要复杂。在表面之下，LOB的不平衡可能预示着潜在的交易机会。这些不平衡，即在给定价格水平上买入和卖出订单数量之间的差异，可以提供对市场未来方向的洞察。但交易员如何发现这些失衡呢?更重要的是，这些不平衡是否可以用来做出有利的交易策略?
在本文中，我们将深入探讨这些问题，包括深入研究最近的学术研究，理解它们的方法。我们还将展示一个实用的工具：VisualHFT，它是一个强大的图形用户界面，用于高频交易系统，旨在实时可视化市场微观结构分析。它的一个关键功能是实时构建LOB失衡图表，这个功能可以帮助我们有效的应用研究中得到的方法和结论。
LOB和订单失衡
LOB本质上是按“价格优先，时间优先”顺序排练的特定资产的买入和卖出订单列表。它是市场需求和供应的实时快照。在账簿的一边，你有bid，表明交易者愿意支付的价格和他们想买的数量。另一方面，你有ask，显示交易者愿意卖出的价格和他们提供的数量。
LOB会随着新订单的到来、现有订单的完成或交易者取消订单而不断更新。这是一个动态的、不断变化的景观，反映了市场参与者的集体行动和意图。
现在，我们来谈谈失衡。在一个完全平衡的市场中，买入订单的数量将与卖出订单的数量相匹配。但市场很少是完全平衡的。在任何给定时刻，买入订单可能多于卖出订单，反之亦然。这就是我们所说的LOB的“不平衡”。
为什么这些不平衡很重要？它们可以洞察市场情绪。例如，如果在某一特定价格水平上，买入订单明显多于卖出订单，这可能表明看涨情绪——交易员相信该资产的价格将上涨。相反，如果有更多的卖单，则可能表明看跌情绪——即相信价格会下跌。
但这些失衡能否被用作交易信号呢？它们能帮助交易者预测价格走势并做出有利可图的决定吗？这是一个非常有价值的问题，也是我们即将讨论的研究论文试图回答的问题。
从一篇论文开始
Alexander Lipton，Umberto Pesavento，和Michael G Sotiropoulos 2013年的论文《Trade Arrival Dynamics and Quote Imbalance in a Limit Order Book》深入研究了LOB的bid和ask队列的动态，以及它们与成交密集度之间的相互作用。
下载地址：https://arxiv.org/pdf/1312.0514v1.pdf
作者关注的是价格变动和成交到达（trade arrivals）的概率作为LOB顶部报价不平衡的函数。换句话说，他们感兴趣的是在最佳价格下买卖订单之间的不平衡如何影响交易发生和价格变化的可能性。
为了做到这一点，他们提出了一个随机模型。该模型旨在捕捉订单簿队列顶部和交易过程的联合动态。这是一项复杂的任务，但作者描述了一种半分析方法来计算不同市场事件的相对概率。然后使用历史市场数据对模型进行校准，调整模型的参数，使其输出与观测数据尽可能接近。他们发现该模型确实可以捕捉LOB和交易过程的一些动态。结果表明，LOB顶部的报价不平衡确实可以提供有关价格变动和交易到达可能性的有价值的信息。
本研究为我们理解LOB失衡提供了坚实的基础。它表明，这些不平衡可能对市场动态产生重大影响，并可能被用作交易信号。然而，与任何模型一样，它是现实的近似值，并带有自己的一组假设和限制。
研究订单簿失衡的不同的方法
Rama Cont，Arseniy Kukanov，和Sasha Stoikov的论文《The Price Impact of Order Book Events》采用了一种不同的方法来理解LOB失衡，重点关注不同订单事件对价格的影响。作者分析了三种类型的订单事件对价格的影响：限价订单、市价订单和取消订单。他们使用纽约证券交易所50只美国股票的TAQ数据。
下载地址：https://arxiv.org/pdf/1011.6402v3.pdf
作者发现，在较短的时间间隔内，价格变化主要是由订单流不平衡驱动的。这表明LOB失衡确实可以成为价格变动的有力预测指标。研究揭示了订单流不平衡与价格变化之间的线性关系。这一关系的斜率与市场深度成反比，这意味着当市场较薄时，失衡的影响较大，而当市场较深时，失衡的影响较小。
这些结果对季节性影响是稳健的，并且在不同的时间尺度和种群中是稳定的。这表明LOB失衡与价格变化之间的关系不是特定市场或时间段的异常现象，而是金融市场的一个基本特征。作者还认为，价格变化与交易量之间的关系比基于订单流不平衡的关系更嘈杂，也更不稳健。本研究进一步证明了LOB失衡作为一种交易信号的潜力。它表明，这些不平衡可能对价格变化产生重大影响，尤其是在薄市场。
从订单簿观察市场的流动性
论文《Limit Order Book as a Market for Liquidity》采用一种独特的方法来理解LOB失衡，重点关注市场的流动性方面。提出了一种基于LOB的新的流动性衡量方法。他们认为，传统的流动性衡量指标，如买卖价差或交易量，并不能完全反映市场状况。相反，他们建议关注整个LOB，以更全面地了解流动性。他们对流动性的衡量，他们称之为“流动性失衡”，是基于LOB中流动性供需之间的不平衡。这是根据买方和卖方的限价订单数量之差计算的。
下载地址：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=269908
然后，作者研究了这种流动性失衡的预测能力。他们发现它可以预测未来的价格变化，这表明它可以用作交易信号。然而，预测能力是不对称的:它对负价格变化的预测强于对正价格变化的预测。本研究为研究LOB失衡提供了新的视角。它表明，这些不平衡可以提供有关市场流动性的宝贵信息，这些信息反过来可以用来预测价格走势。这为我们理解LOB不平衡在交易中的潜在用途增加了另一层内容。
预测下一个Tick
论文《Queue Imbalance as a One-Tick-Ahead Price Predictor in a Limit Order Book》深入探讨LOB不平衡的预测能力，特别关注其预测下一个中间价格运动方向的能力。
下载地址：https://arxiv.org/pdf/1512.03492.pdf
本文首先介绍了队列不平衡的概念。这被定义为最佳bid队列和最佳ask队列中的订单数量之差，除以两个队列中的订单总数。换句话说，它是衡量在最佳买入价和卖出价下需求比供给多多少（反之亦然）的指标。
然后，基于队列不平衡构建了一个简单的预测模型。他们的研究结果相当惊人。他们发现，订单不平衡确实是下一个中等价格运动方向的有力预测指标。事实上，他们发现基于这个预测的交易策略可以产生可观的利润，即使在考虑交易成本之后。然而，作者也警告说，这个结果不应该被解释为利润的保证。他们指出，排队不平衡的预测能力可能因市场状况而异，并可能受到整体市场趋势和股票波动等其他因素的影响。
使用VisualHFT进行LOB可视化
在分析了学术界和理解LOB失衡的重要性之后，是时候将这些概念带入实际的交易领域了。这就是VisualHFT发挥作用的地方。VisualHFT是企业级高频交易系统的GUI，专注于可视化市场微观结构分析，如限价订单动态，延迟，执行质量和其他分析。并已经在Github上开源。
地址：https://github.com/silahian/VisualHFT
‍‍
VisualHFT是由一位在构建高频交易软件方面有十年经验的软件工程师开发的。VisualHFT的创立是由对高频交易操作的透明度和控制的需求驱动的。由于核心高频交易系统在一台服务器上运行，人机交互极少，因此开发一种能够实时洞察系统运行情况的机制至关重要。
VisualHFT提供交易操作的实时视图，每侧可视化深度高达5个级别，显示来自多个数据源的实时市场数据，并在限价订单薄上提供卖出/买入订单的可视化。它还显示用户的订单，并提供一个点差图可视化。系统通过WebSocket接收一组特定的JSON消息来运行。这些消息包含GUI可视化的实时交易数据。核心交易系统位于“demoTradingCore”文件夹中，向VisualHFT提供数据。这个系统必须有一个REST和WebSocket服务器，并且能够将位置数据持久化到数据库中。
VisualHFT是开源的，目的是为更广泛的交易社区做出贡献，并促进高频交易领域的创新。通过提供清晰、实时的交易操作视图，VisualHFT使用户能够做出明智的决策，并保持对其交易策略的控制。我们所探讨的研究强调了LOB失衡作为价格变动预测工具的重要性。VisualHFT实时可视化LOB动态，为交易者提供了一个强大的工具来观察这些失衡的发生。通过可视化LOB，交易者可以看到买卖订单之间的不平衡，并使用这些信息来预测下一个价格运动的方向，正如研究所建议的那样。这在高频交易中尤其有用，在高频交易中，做出快速、明智决策的能力可能是盈利和亏损的区别。
总之，我们讨论的研究论文为LOB失衡的预测能力提供了令人信服的证据。VisualHFT将这些学术见解带入实际的交易世界，提供了一种工具，允许交易者实时可视化这些不平衡，并可能利用它们获利。通过弥合理论与实践之间的差距，VisualHFT为高频交易领域的持续创新做出了贡献！
继续阅读
阅读原文